حاسبة الدقة (Accuracy)

الدقة (نسبة عشرية)	٠٫٧٥
التنبؤات الصحيحة (TP + TN)	١٥٠
إجمالي التنبؤات	٢٠٠

ما هي حاسبة الدقة (Accuracy)؟

تُعدّ الدقة (Accuracy) من أكثر المقاييس شيوعًا لتقييم نماذج التصنيف في تعلّم الآلة. فهي تقيس نسبة التنبؤات الصحيحة من بين جميع التنبؤات — سواءً التنبؤات الإيجابية الصحيحة أو التنبؤات السلبية الصحيحة. تحوّل هذه الحاسبة الخلايا الأربع لمصفوفة الالتباس (Confusion Matrix) إلى قيمة دقة معبَّر عنها كنسبة عشرية وكنسبة مئوية في آنٍ واحد.

كيفية الاستخدام

أدخل القيم الأربع من مصفوفة الالتباس الخاصة بك:

TP (الإيجابيات الصحيحة) — الحالات الإيجابية التي تنبّأ بها النموذج إيجابيةً بشكل صحيح.
TN (السلبيات الصحيحة) — الحالات السلبية التي تنبّأ بها النموذج سلبيةً بشكل صحيح.
FP (الإيجابيات الخاطئة) — الحالات السلبية التي تنبّأ بها النموذج إيجابيةً بالخطأ.
FN (السلبيات الخاطئة) — الحالات الإيجابية التي تنبّأ بها النموذج سلبيةً بالخطأ.

تحسب الأداة قيمة الدقة تلقائيًا. لا تملك أداة؟ ما عليك سوى جمع الأرقام الأربعة وتطبيق المعادلة الموضّحة أدناه.

شرح المعادلة

الدقة:

$$\text{Accuracy} = \dfrac{TP + TN}{TP + TN + FP + FN}$$

يجمع البسط كل التنبؤات الصحيحة، بينما يمثّل المقام إجمالي عدد التنبؤات. اضرب الناتج في 100 لتحويله إلى نسبة مئوية.

$$\text{Accuracy \%} = \text{Accuracy} \times 100$$

اعلان

مصفوفة التباس 2×2 تُظهر خلايا TP وTN وFP وFN — النتائج الأربع لمصفوفة الالتباس: التنبؤات الصحيحة (TP، TN) باللون الأخضر والأخطاء (FP، FN) باللون الأحمر.

مثال تطبيقي

لنفترض أن نموذجًا أعطى القيم: $TP = 80$، و$TN = 70$، و$FP = 20$، و$FN = 30$. عندئذٍ تكون التنبؤات الصحيحة = $80 + 70 = 150$، والإجمالي = $80 + 70 + 20 + 30 = 200$. وبذلك تكون الدقة:

$$\text{Accuracy} = \frac{150}{200} = 0.75 = 75\%$$

الدقة عبر السيناريوهات المختلفة

الصيغة نفسها للدقة $\text{الدقة} = \frac{\text{موجب صحيح} + \text{سالب صحيح}}{\text{موجب صحيح} + \text{سالب صحيح} + \text{موجب خاطئ} + \text{سالب خاطئ}} \times 100\%$ يمكن أن تخفي سلوكيات نموذج مختلفة جداً. كل سيناريو أدناه يستخدم 100 حالة إجمالية بحيث تكون النسب المئوية قابلة للمقارنة المباشرة.

السيناريو	موجب صحيح	سالب صحيح	موجب خاطئ	سالب خاطئ	الدقة
مجموعة بيانات متوازنة، نموذج جيد	45	45	5	5	90%
غير متوازنة، الأغلبية سالبة (مرض نادر)	2	93	2	3	95%
خط أساس "تنبؤ سالب دائماً"	0	95	0	5	95%
موجبات خاطئة عالية (فرط التوسيم)	48	22	28	2	70%
سالبات خاطئة عالية (موجبات مفقودة)	20	50	0	30	70%

النقطة الرئيسية هي المقارنة بين الصفين الثاني والثالث: نموذج لا يفعل شيء سوى التنبؤ بالفئة الأكثر شيوعاً يحقق نفس 95% مثل نموذج يكتشف بالفعل بعض الحالات الموجبة. على مجموعة بيانات متوازنة (الصف 1) تكون الدقة أكثر إفادة بكثير. الصفان الأخيران يوضحان أن نموذجين بدقة متطابقة 70% يمكن أن يفشلا بطرق معاكسة وغير متوافقة — أحدهما يغمرك بالإنذارات الكاذبة، والآخر يفوت بصمت الحالات الموجبة.

تفسير نتيجة الدقة الخاصة بك

الدقة هي نسبة جميع التنبؤات التي حصل عليها المصنف بشكل صحيح — الموجبة والسالبة معاً. دقة 90% تعني أنه تم تصنيف 9 من كل 10 حالات بشكل صحيح، ومعدل الخطأ المرافق هو $100\% - 90\% = 10\%$. إنه حدسي وسهل التواصل، وهذا بالضبط السبب في أنه غالباً ما يُساء فهمه.

قارن دائماً بخط الأساس بدون معلومات. أصدق فحص للعقل السليم هو خط أساس الفئة الأكثر شيوعاً: الدقة التي ستحصل عليها بالتنبؤ بالفئة الأكثر شيوعاً في كل مرة. إذا كانت 95% من حالاتك سالبة، فإن المصنف الذي يتنبأ عمياوياً بـ "سالب" في كل مرة يسجل بالفعل 95%. يجب أن يتفوق النموذج الحقيقي على هذا الخط الأساسي ليستحق أي شيء — دقة 95% مثيرة للإعجاب على تقسيم 50/50 وعديمة الفائدة على تقسيم 95/5.

عندما تكون الدقة العالية مضللة. على البيانات غير المتوازنة بشدة، تهيمن الدقة على الفئة الأكثر شيوعاً. يمكن لكاشف الاحتيال أو فاحص المرض النادر أو كاشف العيب أن يبلغ عن دقة 99% بينما يمسك بقلة قليلة جداً من الحالات الموجبة النادرة التي تهم فعلاً. في هذه الحالات، عادة ما تكون تكلفة الموجب الخاطئ والسالب الخاطئ مختلفة جداً، وليس بالإمكان لنسبة مئوية واحدة شاملة أن تجسد ذلك.

المقاييس التي تكمل الدقة:

الدقة (الإيجابية) — من الحالات المتنبأ بها كموجبة، كم منها كان موجباً بالفعل: $\text{موجب صحيح}/(\text{موجب صحيح}+\text{موجب خاطئ})$. استخدمها عندما تكون الموجبات الخاطئة مكلفة.
الاستدعاء (الحساسية) — من الموجبات الفعلية، كم منها التقطت: $\text{موجب صحيح}/(\text{موجب صحيح}+\text{سالب خاطئ})$. استخدمها عندما تكون خسارة موجب مكلفة.
الخصوصية — من الحالات السالبة الفعلية، كم منها أزلت بشكل صحيح: $\text{سالب صحيح}/(\text{سالب صحيح}+\text{موجب خاطئ})$.
درجة F1 — المتوسط التوافقي للدقة والاستدعاء، رقم واحد يوازن بين الاثنين على الفئة الموجبة.
الدقة المتوازنة — متوسط الحساسية والخصوصية، مما يصحح عدم توازن الفئات وهو الرقم الرئيسي الأفضل عندما تكون الفئات منحرفة.

للمثال المتوازن أعلاه (موجب صحيح=45، موجب خاطئ=5، سالب خاطئ=5)، الاستدعاء والدقة كلاهما $45/50 = 90\%$، لذا تتفق الدقة والدقة والاستدعاء — علامة على أن مجموعة البيانات متوازنة جيداً. عندما تنحرف بشكل حاد، ثق بمقاييس كل فئة على حدة على النسبة المئوية الواحدة للدقة. هذه معلومات فنية عامة، وليست بديلاً عن التقييم الخاص بمجالك لمشكلتك المحددة.

اعلان

التعريفات والمسرد

موجب صحيح (TP): حالة موجبة تنبأ بها النموذج بشكل صحيح كموجبة (مثل مريض مريض تم الإبلاغ عنه كمريض).
سالب صحيح (TN): حالة سالبة تنبأ بها النموذج بشكل صحيح كسالبة (مثل مريض سليم تم إزالته كسليم).
موجب خاطئ (FP): حالة سالبة تنبأ بها بشكل خاطئ كموجبة — إنذار كاذب. يُسمى أيضاً خطأ من النوع الأول.
سالب خاطئ (FN): حالة موجبة تنبأ بها بشكل خاطئ كسالبة — فرصة ضائعة. يُسمى أيضاً خطأ من النوع الثاني.
مصفوفة الالتباس: جدول 2×2 يقارن بين الفئات المتنبأ بها والفعلية، مع موجب صحيح وسالب صحيح وموجب خاطئ وسالب خاطئ كخلاياها الأربع. إنها مصدر جميع مقاييس التصنيف تقريباً.
الدقة: نسبة جميع التنبؤات التي تكون صحيحة: $(\text{موجب صحيح}+\text{سالب صحيح})/(\text{موجب صحيح}+\text{سالب صحيح}+\text{موجب خاطئ}+\text{سالب خاطئ})$، يُعبّر عنها عادة كنسبة مئوية.
معدل الخطأ: نسبة التنبؤات التي تكون خاطئة: $(\text{موجب خاطئ}+\text{سالب خاطئ})/(\text{موجب صحيح}+\text{سالب صحيح}+\text{موجب خاطئ}+\text{سالب خاطئ}) = 1 - \text{الدقة}$.
الدقة (الإيجابية): القيمة الموجبة المتنبأ بها: $\text{موجب صحيح}/(\text{موجب صحيح}+\text{موجب خاطئ})$ — مدى جدارة التنبؤ الموجب بالثقة.
الاستدعاء: الحساسية أو معدل الموجب الصحيح: $\text{موجب صحيح}/(\text{موجب صحيح}+\text{سالب خاطئ})$ — كم عدد الموجبات الفعلية التي تم العثور عليها.
الخصوصية: معدل السالب الصحيح: $\text{سالب صحيح}/(\text{سالب صحيح}+\text{موجب خاطئ})$ — كم عدد الحالات السالبة الفعلية التي تم تحديدها بشكل صحيح.
درجة F1: المتوسط التوافقي للدقة والاستدعاء: $2 \cdot \frac{\text{الدقة} \cdot \text{الاستدعاء}}{\text{الدقة} + \text{الاستدعاء}}$، مقياس متوازن واحد لأداء الفئة الموجبة.

الأسئلة الشائعة

هل تُعدّ الدقة مقياسًا جيدًا دائمًا؟ لا. في مجموعات البيانات غير المتوازنة (مثلًا حين تكون 95% من الحالات سلبية) يمكن للنموذج أن يحقق دقة عالية لمجرد تنبّئه دائمًا بالفئة الأكثر شيوعًا. لذلك راجع أيضًا مقاييس الدقة (Precision) والاستدعاء (Recall) ومقياس F1.

ما المدى الذي تأخذه قيمة الدقة؟ تتراوح بين 0 (كل التنبؤات خاطئة) و1 (كل التنبؤات صحيحة)، أو بين 0% و100%.

هل تصلح للمسائل متعددة الفئات؟ نعم — اعتبر مجموع (TP + TN) هو إجمالي عدد العيّنات المصنَّفة بشكل صحيح عبر جميع الفئات، والمقام هو إجمالي عدد العيّنات.